移動網(wǎng)絡(luò)正變得越來越復(fù)雜，在過去的十年里，互聯(lián)網(wǎng)設(shè)備數(shù)量高達數(shù)十億，已經(jīng)超過了地球上的人口數(shù)量，這些設(shè)備的出現(xiàn)和它們產(chǎn)生的大量數(shù)據(jù)對我們的日常生活有著重要的影響，而移動數(shù)據(jù)流量的暴漲給網(wǎng)絡(luò)帶來嚴峻的挑戰(zhàn)。因此，5G網(wǎng)絡(luò)應(yīng)運而生，5G網(wǎng)絡(luò)有望實現(xiàn)超高速數(shù)據(jù)傳輸，連接的設(shè)備數(shù)量將是現(xiàn)有手機數(shù)量的10～100倍，超低延遲（約1ms）將是LTE網(wǎng)絡(luò)延遲時間的五分之一，5G網(wǎng)絡(luò)和服務(wù)將在數(shù)據(jù)流量、存儲和處理方面呈指數(shù)級增長。

5G為智能城市、智能電網(wǎng)、智能交通、智能制造等多種應(yīng)用領(lǐng)域的大規(guī)模分布式應(yīng)用和移動服務(wù)開發(fā)了全新的平臺，從而利用“智能”對象生成的海量數(shù)據(jù)更好地服務(wù)用戶。而增加網(wǎng)絡(luò)管理自動化、降低成本壓力是提高未來5G網(wǎng)絡(luò)活力的關(guān)鍵因素。此外，動態(tài)和復(fù)雜的5G網(wǎng)絡(luò)需要能夠自動適應(yīng)環(huán)境和上下文變化的自動化，這就需要使用機器學(xué)習(xí)來分析處理海量數(shù)據(jù)。

機器學(xué)習(xí)是網(wǎng)絡(luò)自動化運維的最佳方案機器學(xué)習(xí)是一種自動建立分析模型的數(shù)據(jù)分析方法，是人工智能的一個分支，具有感知（例如異常檢測）、挖掘（例如服務(wù)分類）、預(yù)測（例如預(yù)測用戶或交通趨勢）和推理（例如配置系統(tǒng)參數(shù)以適應(yīng)）的能力，其能夠在很短的時間內(nèi)分析大量的數(shù)據(jù)，學(xué)會適應(yīng)時變環(huán)境，對未來事件做出相當(dāng)準確的預(yù)測，并提出前瞻性的解決方案。

機器學(xué)習(xí)被認為是網(wǎng)絡(luò)運行和管理各種功能自動化的最佳解決方案，如資源管理、按需和自適應(yīng)網(wǎng)絡(luò)配置、服務(wù)創(chuàng)建和編排、故障檢測、安全性、移動性管理、用戶體驗增強、策略動態(tài)調(diào)整等。

同時，機器學(xué)習(xí)系統(tǒng)可以從數(shù)據(jù)中學(xué)習(xí)、識別模式并以最少的人為干預(yù)做出決策，其核心是確定從網(wǎng)絡(luò)活動中識別的模式作為數(shù)據(jù)源，以確定網(wǎng)絡(luò)作為系統(tǒng)和用戶的行為。作為一個組件，在網(wǎng)絡(luò)和用戶設(shè)備之間進行信息交換時，會獲得大量的數(shù)據(jù)。這個場景為用戶提供了各種信息的來源，用戶可以結(jié)合這些信息得出結(jié)論。值得一提的是，在分析的系統(tǒng)中，必須考慮多個變量，企業(yè)可以從執(zhí)行用戶注冊、調(diào)用、移交、IP分配、數(shù)據(jù)流和其他過程的日志中測量和注冊這些變量。由于在每一次分析中處理的多個變量存在很多相關(guān)性，如果不使用計算輔助工具，是無法完成的。

從數(shù)據(jù)庫學(xué)習(xí)的過程是機器學(xué)習(xí)新的挑戰(zhàn)，因為在這個過程中，企業(yè)尋找什么關(guān)系是未知的，只能沿著時間線的分析揭示系統(tǒng)的變化，并根據(jù)每個變量的值給出網(wǎng)上開發(fā)的活動圖像。在這種情況下，企業(yè)往往需要機器學(xué)習(xí)算法的支持來檢測和識別網(wǎng)絡(luò)上要分析的模式。

現(xiàn)有的機器學(xué)習(xí)主要有4類學(xué)習(xí)方式：一是監(jiān)督學(xué)習(xí)，其工作機制是利用已有標簽的數(shù)據(jù)對模型算法進行訓(xùn)練和學(xué)習(xí)，使算法能夠?qū)π聰?shù)據(jù)進行正確的預(yù)測，主要包括分類與回歸問題；二是無監(jiān)督學(xué)習(xí)，這類學(xué)習(xí)的數(shù)據(jù)中沒有標簽，而訓(xùn)練的目的是尋找數(shù)據(jù)中的內(nèi)在關(guān)聯(lián)或結(jié)構(gòu)，學(xué)習(xí)的過程中并不知道結(jié)果是否正確，主要包括聚類和降維問題；三是半監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)指將大量的無標簽數(shù)據(jù)和少量有標簽數(shù)據(jù)放到一起進行訓(xùn)練，以提高算法的學(xué)習(xí)性能，主要包括半監(jiān)督分類、半監(jiān)督回歸、半監(jiān)督聚類和半監(jiān)督降維等；四是強化學(xué)習(xí)，強化學(xué)習(xí)是讓算法通過不斷試錯，并調(diào)整策略以獲得優(yōu)策略，即在什么狀態(tài)下選擇什么行為可以獲得最好的結(jié)果，AlphaGo就是強化學(xué)習(xí)的典型案例。

如何在5G中使用機器學(xué)習(xí)？5G是將采用新的頻率來提供不同種類的服務(wù)，并基于服務(wù)所需的速度來選擇路由的通信，以獲得與所使用服務(wù)類型相兼容的最大性能的帶寬，實現(xiàn)覆蓋、傳播和滲透。該業(yè)務(wù)將以4G分析獲得的知識為基礎(chǔ)，采用頻率分配、載波聚合或Massive MIMO等不同技術(shù)相結(jié)合。為了設(shè)計新的模型，分段定義的模型是非常重要的，運營商可以基于服務(wù)區(qū)域和服務(wù)需求，測試得到預(yù)測函數(shù)。網(wǎng)絡(luò)管理服務(wù)的需求類型一旦改變，運營商將引入新的頻率和服務(wù)，以在映射區(qū)域中尋找增強的服務(wù)。

基于機器學(xué)習(xí)的新模型為運營商提供了引入兩種新的學(xué)習(xí)算法類型的機會，例如強化學(xué)習(xí)，這將引入反饋，以糾正和學(xué)習(xí)優(yōu)化所選變量的方法，并使用同調(diào)理論對算法進行多任務(wù)學(xué)習(xí)，系統(tǒng)學(xué)習(xí)過去基于相似條件獲得的其他解，然后通過貝葉斯網(wǎng)絡(luò)來預(yù)測網(wǎng)絡(luò)的最可能行為。使用此工具的網(wǎng)絡(luò)部署將允許使用測量系統(tǒng)的預(yù)測值，而獲得的值將用于向系統(tǒng)提供反饋，為驗證模型和增強基于機器學(xué)習(xí)的系統(tǒng)的學(xué)習(xí)能力提供了新的入口。

在學(xué)習(xí)系統(tǒng)中，定義工作的場景非常重要，首先定義系統(tǒng)的構(gòu)成，通過變量行為預(yù)測函數(shù)來識別工作中的關(guān)聯(lián)變量、標準變量或邏輯變量，并使用基于變量及其統(tǒng)計的蒙特卡羅模型、馬爾可夫鏈或其他統(tǒng)計方法進行建模。該系統(tǒng)將提供“成長、重組、調(diào)整”3個學(xué)習(xí)階段：從環(huán)境中學(xué)習(xí)；從糾正中學(xué)習(xí)，并從這一行動中獲得新知識；根據(jù)從現(xiàn)實世界的經(jīng)驗感知中獲得的值進行調(diào)整。

5G將需要大量不同頻率和服務(wù)的節(jié)點，這種情況將造成一種復(fù)雜多變量的情況。機器學(xué)習(xí)為我們提供了在多變量場景中定義不同模式的工具，甚至顯示了那些我們不知道的模式。這種測試調(diào)整和網(wǎng)絡(luò)部署，需要在功率、天線高度之間尋找更好的平衡。從網(wǎng)絡(luò)部署中獲得的信息被存儲在一個空間數(shù)據(jù)基礎(chǔ)設(shè)施中，其可以通過技術(shù)參數(shù)顯示每個服務(wù)的覆蓋面和可用性。

一旦這個系統(tǒng)完成，運營商將有一個工具來評估場景的頻率、功率和地理信息，為進一步的模擬和模型驗證提供基礎(chǔ)。關(guān)于這一設(shè)想，作為規(guī)劃頻譜使用和占用的工具的應(yīng)用，正處于早期階段，運營商需要收集和組織開發(fā)數(shù)據(jù)庫所需的數(shù)據(jù)集。利用地域接口使機器學(xué)習(xí)有機會刻畫從傳播演算中獲得的不同模式，并通過手持設(shè)備和軟件應(yīng)用程序提供的協(xié)作感知進行對比。

數(shù)據(jù)的可用性將擴大人工智能發(fā)展在所有與人工智能和機器學(xué)習(xí)技術(shù)相關(guān)的過程中，一個重要的問題是原始數(shù)據(jù)所有權(quán)。數(shù)據(jù)源之間的區(qū)別在于數(shù)據(jù)所有權(quán)，因為其思想是促進數(shù)據(jù)共享以支持算法開發(fā)。數(shù)據(jù)是這個新生態(tài)系統(tǒng)的燃料，必須確保數(shù)據(jù)的可用性，以在最短的時間內(nèi)提供尋找新模式和結(jié)論的結(jié)果。數(shù)據(jù)的可用性將擴大人工智能的發(fā)展。系統(tǒng)日志是非常重要的一部分，可以從不同通信系統(tǒng)收集的變量的定義，每個注冊變量與任何設(shè)備定位相結(jié)合，將為我們提供了解多個變量之間不同相關(guān)性的機會。因此，促進數(shù)據(jù)提供和信息共享的方式，是獲取有效數(shù)據(jù)的重要途徑。

當(dāng)然，在5G網(wǎng)絡(luò)中引入機器學(xué)習(xí)時，需要根據(jù)應(yīng)用場景選擇合適的算法，而且，具體應(yīng)用場景下的機器學(xué)習(xí)算法還需要在實踐中進行驗證和演進。因此，真正實現(xiàn)5G網(wǎng)絡(luò)的智能化，仍然存在很多障礙，例如如何尋求公認的合適的機器學(xué)習(xí)算法，如何促進行業(yè)間協(xié)作、用戶數(shù)據(jù)收集及隱私保護，即數(shù)據(jù)所有權(quán)問題。因此，業(yè)界不僅要在機器學(xué)習(xí)算法研究方面實現(xiàn)突破，還需要促進相應(yīng)的政策法規(guī)出臺，以保護用戶隱私信息和促進行業(yè)生態(tài)的健康發(fā)展。
責(zé)任編輯；zl